CN110335478A - 基于深度学习的跨子区联动控制方法 - Google Patents

基于深度学习的跨子区联动控制方法 Download PDF

Info

Publication number
CN110335478A
CN110335478A CN201910620181.0A CN201910620181A CN110335478A CN 110335478 A CN110335478 A CN 110335478A CN 201910620181 A CN201910620181 A CN 201910620181A CN 110335478 A CN110335478 A CN 110335478A
Authority
CN
China
Prior art keywords
sub
intersection
district
deep learning
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910620181.0A
Other languages
English (en)
Other versions
CN110335478B (zh
Inventor
王晓磊
王忠华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Aerospace Polytron Technologies Inc
Original Assignee
Jiangsu Aerospace Polytron Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Aerospace Polytron Technologies Inc filed Critical Jiangsu Aerospace Polytron Technologies Inc
Priority to CN201910620181.0A priority Critical patent/CN110335478B/zh
Publication of CN110335478A publication Critical patent/CN110335478A/zh
Application granted granted Critical
Publication of CN110335478B publication Critical patent/CN110335478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于深度学习的跨子区联动控制方法，包括：确定交叉口群间关联指标体系，分别运用该指标体系，分析本子区内的交叉口和其他子区内的交叉口的各项指标的历史数据，同时结合深度学习的算法原理，预测并判定相邻子区边界处的其他子区内交叉口与本子区内交叉口的多项指标是否在相同的阈值指标等级，进而打破原有固定子区划分所限，将这些符合阈值指标等级条件的交叉口进行联动控制，最终实现交通信号控制跨子区联动控制。本发明用于减少由于交通信号控制系统内部划分子区所致的交通矛盾。

Description

基于深度学习的跨子区联动控制方法
技术领域
本发明涉及现有城市交通信号控制系统中跨子区联动的控制方法，尤其是针对矛盾点较为突出，且并不在同一子区交叉口的联动控制方法。
背景技术
经过近半个世纪的快速发展，大多数城市已建立了较为成熟的城市级交通信号控制系统，其大多数呈现为“城市交通信号控制系统—系统内部子区—单个交叉口”的三级组织架构，这种组织架构体系在一定程度上可以满足原有交通流的控制需求。伴随着我国经济社会的跨越式发展和交通流随机、快速变化的发生特性，原有组织架构已无法更好的满足现有这种使用需求。设计开发一种基于现有交通流量变化规律，基于深度学习后的能够实现跨子区的联动控制方法已经迫在眉睫。
国外在交通信号控制系统研究方面起步较早，先后开发出多种典型交通信号控制系统，主要为SCOOT、SCATS、SPOT/UTOPIA、RHODES与OPAC等5种主流信号系统，其中最为典型的为SCATS系统。其由于受到系统物理结构框架的限制，现有的分层式控制结构通常需要事先划分好相对固定的控制子区，且只能进行有限的子区合并与子区分离。国内在交通信号控制系统研究方面总体起步相对较晚，从北京“7386”工程开始，在借鉴国外较为成熟的信号控制系统的研究使用基础上，虽取得了一定发展，但总体还存在较大差距。特别是在评价指标方面也只能对单一的指标进行分析。树爱兵等人基于多源交通大数据开发出一种新型的交通信号系统及运及其运行方法。卢元展等人在运用云计算的基础上，建立一种基于云计算的城市交通信号控制的方法和系统。马庆禄等人结合物联网在交通控制领域的运用，通过研究节点之间的关联关系，更好的实现交通控制区域联动控制。郭义荣考虑将视频检测算法更好的运用于交通控制策略，因而更好的实现系统之间的联动控制。
发明内容
本发明所要解决的技术问题是克服传统信号系统中大多只能对各自已划分子区内的交叉口进行联动控制的局限，在充分考虑交叉口群间体系指标的基础上，基于深度学习算法，开发一种基于深度学习的跨子区联动控制方法，以减少部分由于原有子区划分而产生的交通瓶颈点，同时在保证路网安全运行的前提下，提高路网整体的运行效率。本发明采用的技术方案是：
一种基于深度学习的跨子区联动控制方法，包括：确定交叉口群间关联指标体系，分别运用该指标体系，分析本子区内的交叉口和其他子区内的交叉口的各项指标的历史数据，同时结合深度学习的算法原理，预测并判定相邻子区边界处的其他子区内交叉口与本子区内交叉口的多项指标是否在相同的阈值指标等级，进而打破原有固定子区划分所限，将这些符合阈值指标等级条件的交叉口进行联动控制，最终实现交通信号控制跨子区联动控制。
进一步地，所述的基于深度学习的跨子区联动控制方法，具体包括：
步骤S1，建立由多个指标，并将这些指标划分为数个等级而组成的交叉口群间关联指标体系界定等级；
步骤S2，为保证深度学习拥有足够的样本量，基于各子区的交叉口各指标历史数据，将现有信号控制系统内部各个子区内部的交叉口的各指标历史数据建立指标数据库DBm3；
步骤S3，将步骤S2建立的指标数据库DBm3进行整理，得到新的指标数据库DBm3-1，以便后续对于数据库DBm3中的数据进行训练；
步骤S4，将步骤S3建立的指标数据库DBm3-1中的数据依次导入即将使用的深度学习模型输入层中；
步骤S5，结合步骤S4，使用深度学习模型，先抽取个别样本进行初始训练，待后续模型在可使用时，再对DBm3-1中的所有数据依次进行训练；
步骤S6，针对S5训练产生的结果，结合原指标的实际历史数据，与训练产生的数据进行比较，分析输出值U和期望的输出值V的实际对比结果，并使用成本函数计算误差δ；
步骤S7，通过分析步骤S6的误差δ，多次修正误差并校验现有深度学习模型；
步骤S8，根据步骤S7的校验结果，再次抽取个别样本进行训练；
步骤S9，分析步骤S8的训练结果，若深度学习模型也满足使用要求，验证了深度学习模型可用；
步骤S10，运用训练好的深度学习模型，将步骤S4数据库DBm3-1的全部数据进行训练，输出训练结果DBn；
步骤S11，依据步骤S10的训练结果DBn，选取所有指标中的多项指标作为阈值指标，判断相邻子区边界处的其他子区内交叉口与本子区内交叉口的多项阈值指标是否都在相同的指标等级，若是，则将这些边界处的不同子区的交叉口进行联动控制。
更进一步地，所述指标包括：交叉口饱和度T1、交叉口间距T2、交通流量T3、信号运行周期T4、服务水平T5、车流运行速度T6、交叉口之间车辆行程时间T7、是否易发生过饱和及溢出T8指标。
更进一步地，指标历史数据取各指标近三个月的数据。
本发明的优点在于：有效避免了传统信号系统中大多只能对各自已划分子区内的交叉口进行联动控制的局限性，在充分考虑交叉口群间关联指标体系的基础上，充分发挥深度学习算法的优势，保障以减少部分由于原有子区划分而产生的交通瓶颈点，满足交警在跨子区信号控制方面的迫切需求，降低了由于无法跨子区联动而导致对城市交通的不利影响。
附图说明
图1为本发明的控制流程图。
图2为本发明的跨子区控制原理图。
图3为本发明的交叉口群间关联指标体系示意图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
本发明提出的一种基于深度学习的跨子区联动控制方法，包括：确定交叉口群间关联指标体系，分别运用该指标体系，分析本子区内的交叉口和其他子区内的交叉口的各项指标的历史数据，同时结合深度学习的算法原理，预测并判定相邻子区边界处的其他子区内交叉口与本子区内交叉口的多项指标是否在相同的阈值指标等级，进而打破原有固定子区划分所限，将这些符合阈值指标等级条件的交叉口进行联动控制，最终实现交通信号控制跨子区联动控制。
具体地，本发明包括以下步骤：
步骤S1，建立由交叉口饱和度T1、交叉口间距T2、交通流量T3、信号运行周期T4、服务水平T5、车流运行速度T6、交叉口之间车辆行程时间T7、是否易发生过饱和及溢出T8指标，并将T1-T8共计8个指标划分为等级一L1、等级二L2、等级三L3、等级四L4四个等级而组成的交叉口群间关联指标体系界定等级，具体划分如表1所示；
表1交叉口群间关联指标体系界定等级
步骤S2，为保证深度学习拥有足够的样本量，基于各子区交叉口饱和度数据(三个月)T1m3、交叉口间距数据T2m3、流量数据(三个月内各动向的交通流量)T3m3、信号运行周期(三个月内每天不同时段的信号运行周期)数据T4m3、服务水平(三个月内服务水平)数据T5m3、车流运行速度(三个月)数据T6m3、交叉口之间车辆行程时间(三个月)数据T7m3、是否易发生过饱和及溢出(是否存在与上下游交叉口的关联关系)数据T8m3等指标历史数据，将现有信号控制系统内部各个子区内部的交叉口(尤其是位于子区边界附近的交叉口)的各指标历史数据建立指标数据库DBm3；
DBm3＝{T1m3、T2m3、T3m3、T4m3、T5m3、T6m3、T7m3、T8m3}；
步骤S3，将步骤S2建立的指标数据库DBm3进行整理，得到新的指标数据库DBm3-1，以便后续对于数据库DBm3中的数据进行训练；
对DBm3进行整理，主要补充缺失数据或修正明显错误数据等；
步骤S4，将步骤S3建立的指标数据库DBm3-1中的数据依次导入即将使用的深度学习模型输入层中；
步骤S5，结合步骤S4，使用深度学习模型，先抽取个别样本进行初始训练，待后续模型在可使用时，再对DBm3-1中的所有数据依次进行训练；
步骤S6，针对S5训练产生的结果，结合原指标的实际历史数据，与训练产生的数据进行比较，分析输出值U和期望的输出值V的实际对比结果，并使用成本函数计算误差δ；
δ＝U-V
步骤S7，通过分析步骤S6的误差δ，多次修正误差并校验现有深度学习模型；
步骤S8，根据步骤S7的校验结果，再次抽取个别样本进行训练；
步骤S9，分析步骤S8的训练结果，若深度学习模型也满足使用要求，验证了深度学习模型可用；
步骤S10，运用训练好的深度学习模型，将步骤S4数据库DBm3-1的全部数据进行训练，输出训练结果DBn；
步骤S11，依据步骤S10的训练结果DBn，选取八个指标中的多项指标作为阈值指标，判断相邻子区边界处的其他子区内交叉口与本子区内交叉口的多项阈值指标是否都在相同的指标等级，若是，则将这些边界处的不同子区的交叉口进行联动控制。
例如，若八个指标中的T1m3、T3m3、T4m3、T5m3、T6m3、T7m3均在等级二，则边界处不同子区的相应两个交叉口进行联动控制。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于深度学习的跨子区联动控制方法，其特征在于，包括：确定交叉口群间关联指标体系，分别运用该指标体系，分析本子区内的交叉口和其他子区内的交叉口的各项指标的历史数据，同时结合深度学习的算法原理，预测并判定相邻子区边界处的其他子区内交叉口与本子区内交叉口的多项指标是否在相同的阈值指标等级，进而打破原有固定子区划分所限，将这些符合阈值指标等级条件的交叉口进行联动控制，最终实现交通信号控制跨子区联动控制。
2.如权利要求1所述的基于深度学习的跨子区联动控制方法，其特征在于，具体包括：
步骤S1，建立由多个指标，并将这些指标划分为数个等级而组成的交叉口群间关联指标体系界定等级；
步骤S2，为保证深度学习拥有足够的样本量，基于各子区的交叉口各指标历史数据，将现有信号控制系统内部各个子区内部的交叉口的各指标历史数据建立指标数据库DBm3；
步骤S3，将步骤S2建立的指标数据库DBm3进行整理，得到新的指标数据库DBm3-1，以便后续对于数据库DBm3中的数据进行训练；
步骤S4，将步骤S3建立的指标数据库DBm3-1中的数据依次导入即将使用的深度学习模型输入层中；
步骤S5，结合步骤S4，使用深度学习模型，先抽取个别样本进行初始训练，待后续模型在可使用时，再对DBm3-1中的所有数据依次进行训练；
步骤S6，针对S5训练产生的结果，结合原指标的实际历史数据，与训练产生的数据进行比较，分析输出值U和期望的输出值V的实际对比结果，并使用成本函数计算误差δ；
步骤S7，通过分析步骤S6的误差δ，多次修正误差并校验现有深度学习模型；
步骤S8，根据步骤S7的校验结果，再次抽取个别样本进行训练；
步骤S9，分析步骤S8的训练结果，若深度学习模型也满足使用要求，验证了深度学习模型可用；
步骤S10，运用训练好的深度学习模型，将步骤S4数据库DBm3-1的全部数据进行训练，输出训练结果DBn；
步骤S11，依据步骤S10的训练结果DBn，选取所有指标中的多项指标作为阈值指标，判断相邻子区边界处的其他子区内交叉口与本子区内交叉口的多项阈值指标是否都在相同的指标等级，若是，则将这些边界处的不同子区的交叉口进行联动控制。
3.如权利要求2所述的基于深度学习的跨子区联动控制方法，其特征在于，
所述指标包括：交叉口饱和度T1、交叉口间距T2、交通流量T3、信号运行周期T4、服务水平T5、车流运行速度T6、交叉口之间车辆行程时间T7、是否易发生过饱和及溢出T8指标。
4.如权利要求2所述的基于深度学习的跨子区联动控制方法，其特征在于，
指标历史数据取各指标近三个月的数据。
CN201910620181.0A 2019-07-10 2019-07-10 基于深度学习的跨子区联动控制方法 Active CN110335478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910620181.0A CN110335478B (zh) 2019-07-10 2019-07-10 基于深度学习的跨子区联动控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910620181.0A CN110335478B (zh) 2019-07-10 2019-07-10 基于深度学习的跨子区联动控制方法

Publications (2)

Publication Number Publication Date
CN110335478A true CN110335478A (zh) 2019-10-15
CN110335478B CN110335478B (zh) 2021-01-12

Family

ID=68146169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910620181.0A Active CN110335478B (zh) 2019-07-10 2019-07-10 基于深度学习的跨子区联动控制方法

Country Status (1)

Country Link
CN (1) CN110335478B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145546A (zh) * 2019-12-27 2020-05-12 银江股份有限公司 一种城市全域交通态势分析方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69331054D1 (de) * 1993-07-30 2001-12-06 Ibm Verfahren und Gerät zur automatischen Verteilung einer Netztopologie in Haupt- und Nebentopologie
CN101604479A (zh) * 2009-07-14 2009-12-16 北京交通大学 混合交通环境下平面信号交叉口服务水平的评价方法
JP2010073078A (ja) * 2008-09-22 2010-04-02 Hitachi Automotive Systems Ltd 交通データ管理装置、交通データ管理方法および交通データ管理プログラム
CN102542818A (zh) * 2012-01-13 2012-07-04 吉林大学 一种基于有机计算的区域边界交通信号协调控制方法
WO2012175362A1 (en) * 2011-06-24 2012-12-27 Alcatel Lucent Performing measurements in a digital cellular wireless telecommunication network
JP5370512B2 (ja) * 2012-02-09 2013-12-18 住友電気工業株式会社 結合判定装置、交通信号制御システム及びコンピュータプログラム
WO2014116153A1 (en) * 2013-01-28 2014-07-31 Telefonaktiebolaget L M Ericsson (Publ) Apparatus, server, and method for controlling traffic flow in road network
CN105160889A (zh) * 2015-09-29 2015-12-16 中山大学 一种城市内涝情景下路网交通流的多源点协同疏导方法
CN105554777A (zh) * 2015-12-11 2016-05-04 中国联合网络通信集团有限公司 划分虚拟小区的方法及装置
CN105869401A (zh) * 2016-05-12 2016-08-17 华南理工大学 一种基于不同拥挤程度的路网动态分区方法
CN106205156A (zh) * 2016-08-12 2016-12-07 南京航空航天大学 一种针对部分车道车流突变的交叉口自愈合控制方法
CN106846834A (zh) * 2017-01-21 2017-06-13 亚信蓝涛（江苏）数据科技有限公司 一种基于深度学习的交通控制优化方法
CN106971565A (zh) * 2017-04-22 2017-07-21 高新兴科技集团股份有限公司 一种基于物联网的区域交通边界控制与诱导协同方法及系统
CN107180541A (zh) * 2017-06-01 2017-09-19 华南理工大学 一种交通控制小区的动态调整方法
CN109285361A (zh) * 2018-11-19 2019-01-29 江苏航天大为科技股份有限公司 针对交通干线协调控制方向改变的方案过渡方法
CN109993970A (zh) * 2019-03-15 2019-07-09 西南交通大学 一种城市区域交通事故风险预测方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69331054D1 (de) * 1993-07-30 2001-12-06 Ibm Verfahren und Gerät zur automatischen Verteilung einer Netztopologie in Haupt- und Nebentopologie
JP2010073078A (ja) * 2008-09-22 2010-04-02 Hitachi Automotive Systems Ltd 交通データ管理装置、交通データ管理方法および交通データ管理プログラム
CN101604479A (zh) * 2009-07-14 2009-12-16 北京交通大学 混合交通环境下平面信号交叉口服务水平的评价方法
WO2012175362A1 (en) * 2011-06-24 2012-12-27 Alcatel Lucent Performing measurements in a digital cellular wireless telecommunication network
CN102542818A (zh) * 2012-01-13 2012-07-04 吉林大学 一种基于有机计算的区域边界交通信号协调控制方法
JP5370512B2 (ja) * 2012-02-09 2013-12-18 住友電気工業株式会社 結合判定装置、交通信号制御システム及びコンピュータプログラム
WO2014116153A1 (en) * 2013-01-28 2014-07-31 Telefonaktiebolaget L M Ericsson (Publ) Apparatus, server, and method for controlling traffic flow in road network
CN105160889A (zh) * 2015-09-29 2015-12-16 中山大学 一种城市内涝情景下路网交通流的多源点协同疏导方法
CN105554777A (zh) * 2015-12-11 2016-05-04 中国联合网络通信集团有限公司 划分虚拟小区的方法及装置
CN105869401A (zh) * 2016-05-12 2016-08-17 华南理工大学 一种基于不同拥挤程度的路网动态分区方法
CN106205156A (zh) * 2016-08-12 2016-12-07 南京航空航天大学 一种针对部分车道车流突变的交叉口自愈合控制方法
CN106846834A (zh) * 2017-01-21 2017-06-13 亚信蓝涛（江苏）数据科技有限公司 一种基于深度学习的交通控制优化方法
CN106971565A (zh) * 2017-04-22 2017-07-21 高新兴科技集团股份有限公司 一种基于物联网的区域交通边界控制与诱导协同方法及系统
CN107180541A (zh) * 2017-06-01 2017-09-19 华南理工大学 一种交通控制小区的动态调整方法
CN109285361A (zh) * 2018-11-19 2019-01-29 江苏航天大为科技股份有限公司 针对交通干线协调控制方向改变的方案过渡方法
CN109993970A (zh) * 2019-03-15 2019-07-09 西南交通大学 一种城市区域交通事故风险预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹洁，张丽君，侯亮，陈作汉，张红: "关联交叉口子区的信号优化控制方法", 《关联交叉口子区的信号优化控制方法》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145546A (zh) * 2019-12-27 2020-05-12 银江股份有限公司 一种城市全域交通态势分析方法
CN111145546B (zh) * 2019-12-27 2021-02-12 银江股份有限公司 一种城市全域交通态势分析方法

Also Published As

Publication number Publication date
CN110335478B (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
CN108364467B (zh) 一种基于改进型决策树算法的路况信息预测方法
CN105869401B (zh) 一种基于不同拥挤程度的路网动态分区方法
CN107610487B (zh) 基于动态随机车流相位差协调机制的区域交通控制系统和方法
CN108399740B (zh) 一种信号控制交叉口机动车冲突概率预测方法
CN109887297B (zh) 基于快速全局K-means谱聚类的城市交通控制子区的划分方法
Roy et al. Ranking of suburban line extension projects on the Paris metro system by a multicriteria method
CN108873905A (zh) 自动驾驶车辆控制方法、自动驾驶车辆及可读存储介质
CN109035779B (zh) 基于DenseNet的高速公路交通流预测方法
CN111091295B (zh) 一种城市区域边界控制系统
CN107067759B (zh) 一种基于acp的平行交通信号灯实时控制方法
CN110060489B (zh) 一种基于神经网络的信号灯配时方案推荐方法
CN108053661A (zh) 一种交通控制的方法及装置
CN113516854B (zh) 一种基于卡警、视频检测器的多路口协调自适应控制方法
CN111063208A (zh) 一种基于车联网的车道级交通诱导方法及系统
CN106710220A (zh) 一种城市道路分层动态协调控制算法及控制方法
CN103745106A (zh) 一种短时交通流预测方法
CN113034940A (zh) 一种基于Fisher有序聚类的单点信号交叉口优化配时方法
CN111192457A (zh) 一种城市级整体的交通信号控制的方法及装置
CN110335478A (zh) 基于深度学习的跨子区联动控制方法
CN113257016A (zh) 一种交通信号控制方法、装置以及可读存储介质
CN112950934A (zh) 一种道路拥堵原因识别方法
CN111220162A (zh) 一种获取慢行车辆行驶轨迹的方法及装置
CN110021178B (zh) 一种基于路口相似度的信号配时方案推荐方法
CN113763728B (zh) 一种交通组织及信号配时协同优化方法、装置及设备
CN117275260B (zh) 一种城市道路交叉口进口道交通事故应急管控方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant